فهرس المقالات ماشین بردار پشتیبان(SVM)

• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  1 - پیش‌بینی قیمت هفتگی نفت خام از طریق مدل ترکیبی ماشین بردار پشتیبان و خودرگرسیو میانگین متحرک انباشته
  شاپور محمدی رضا راعی حسین کرمی
  همواره پیش بینی روند قیمت و نوسانات یکی از چالش های پیش روی معامله گران در بازارهای بورس نفت بوده و پیش بینی قیمت ها به عنوان یک امر ضروری وکاربردی مطرح می شود ولیکن باید پیش بینی را مورد توجه قرار داد که با دقت بیشتری صورت گیرد و نسبت به نتایج واقعی مشاهده شده خطای کمت أکثر

  همواره پیش بینی روند قیمت و نوسانات یکی از چالش های پیش روی معامله گران در بازارهای بورس نفت بوده و پیش بینی قیمت ها به عنوان یک امر ضروری وکاربردی مطرح می شود ولیکن باید پیش بینی را مورد توجه قرار داد که با دقت بیشتری صورت گیرد و نسبت به نتایج واقعی مشاهده شده خطای کمتری داشته باشد. به منظور پیش بینی قیمت هفتگی نفت خام برنت به عنوان یک نفت شاخص با توجه به دشوار بودن شناسایی دقیق الگو های خطی و غیرخطی در سری های زمانی اقتصادی و مالی از ترکیب مدل های خودرگرسیو میانگین متحرک انباشته(ARIMA) با این پیش فرض که سری زمانی دارای الگوی خطی می باشد و ماشین بردار پشتیبان(SVM)که توانایی بالایی در مدل سازی الگو های غیرخطی دارد به منظور افزایش دقت پیش بینی استفاده شده است. با توجه به آزمون مقایسه زوجی معیارهای ارزیابی عملکرد ریشه میانگین مجذور خطا(RMSE) و میانگین قدرمطلق درصد خطا(MAPE) که حاصل مقادیر پیش بینی شده و مقادیر واقعی هر یک از مدل ها هستند، نتایج بیانگر این موضوع بودند که در بیشتر موارد مدل ترکیبی خطای کمتری در پیش بینی قیمت نفت خام نسبت به کاربرد مجزای مدل های خودرگرسیو میانگین متحرک انباشته و ماشین بردار پشتیبان دارد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  2 - توسعه مدل هیبریدی موجکی در برآورد خشکسالی‌های منطقه‌ای حوضه آبریز سیمینه رود
  عرفان رستم زاده علیرضا پرویشی
  در مطالعه حاضر خشکسالی حوضه آبریز سیمنه‌رود به وسیله مدلهای هوشمند ماشین بردار پشتیبان (SVM)، شبکه عصبی مصنوعی (ANN) و تئوری موجک (W) مورد بررسی قرار گرفت. از دادههای شش ایستگاه باران‌سنجی در منطقه استفاده و شاخص خشکسالی در چهار مقیاس زمانی محاسبه گردید. همچنین خود همبس أکثر

  در مطالعه حاضر خشکسالی حوضه آبریز سیمنه‌رود به وسیله مدلهای هوشمند ماشین بردار پشتیبان (SVM)، شبکه عصبی مصنوعی (ANN) و تئوری موجک (W) مورد بررسی قرار گرفت. از دادههای شش ایستگاه باران‌سنجی در منطقه استفاده و شاخص خشکسالی در چهار مقیاس زمانی محاسبه گردید. همچنین خود همبستگی مرتبه اول به عنوان تاخیر بهینه انتخاب شد. سپس ساختار مناسب شبکه عصبی مصنوعی با استفاده از روش آزمون و خطا تعیین و ضرایب سه‌گانه مدل SVM نیز مشخص و مدلسازی انجام شد. نتایج ارزیابی مدلهای منفرد نشان داد که تفاوت معنی داری بین دو روش در پیش‌بینی خشکسالیها وجود ندارد. در ادامه مدلهای هیبریدی WANN و WSVMتهیه شدند. نتایج نشان داد کاربست تئوری موجک عملکرد مدلهای منفرد را بسیار بهبود داده و مقدار شاخصهای RMSE و MAE به ترتیب 19٪ و 21٪ کاهش و ضریب همبستگی 30٪ افزایش داشته و مدل W(L2)SVM برای پیشبینی خشکسالی‌های حوضه آبریز سیمینه‌رود پیشنهاد گردید. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  3 - پیش بینی گرایش احساسی سرمایه گذاران با استفاده ازتکنیک‏های ماشین بردار پشتیبان(SVM) و درخت تصمیم(DT)
  رضا تقوی ایمان داداشی محمدجواد زارع بهنمیری حمیدرضا غلام نیا روشن
  گرایش های احساسی سرمایه گذاران بیانگر حاشیه میزان خوش بینی و بدبینی سهامداران نسبت به یک سهم می باشد. احساسات سرمایه گذاران تحت تاثیر پدیده های روانشناختی، به رفتار افراد جهت می بخشند و در بسیاری از مواقع، موجب انحراف افراد از رفتار عقلایی می شوند. هدف از انجام این پژوه أکثر

  گرایش های احساسی سرمایه گذاران بیانگر حاشیه میزان خوش بینی و بدبینی سهامداران نسبت به یک سهم می باشد. احساسات سرمایه گذاران تحت تاثیر پدیده های روانشناختی، به رفتار افراد جهت می بخشند و در بسیاری از مواقع، موجب انحراف افراد از رفتار عقلایی می شوند. هدف از انجام این پژوهش، بکارگیری روش های فراابتکاری جهت پیش بینی گرایش های احساسی سرمایه گذاران است. در این پژوهش با استفاده از 97 نسبت مالی مربوط به176 شرکت پذیرفته شده در بورس اوراق بهادار تهران طی دوره زمانی 1385 تا1397، اقدام به پیش بینی گرایش های احساسی سرمایه گذاران با استفاده از تکنیک های ماشین بردار پشتیبان (SVM) و درخت تصمیم (DT) شده است. برای سنجش گرایش احساسی سرمایه گذاران از 4 شاخص قدرت نسبی، خط روان شناسانه، حجم معاملات و نرخ تعدیل گردش سهام بهره گرفته شده که در نهایت به کمک روش تجزیه و تحلیل مولفه های اساسی (PCA) اقدام به ترکیب این شاخص ها نموده ایم. جهت مقایسه روش های پیش بینی، از مقادیر میانگین مطلق خطا (MAE) و ریشه میانگین مربعات خطا (RMSE) استفاده شده است. نتایج حاصل از تحلیل داده ها بیانگر آن است که خطای پیش بینی روش ماشین بردار پشتیبان در مقایسه با درخت تصمیم کمتر است. تفاصيل المقالة